Sequential Kalman filter for fast online changepoint detection in longitudinal health records
提出顺序卡尔曼滤波器,在线检测时间相关纵向数据中的多个变点,线性复杂度,模拟实验更精确,并集成分类提升COVID-19感染检测性能。
2024-01-01 stat.AP stat.ME
Rough-Fuzzy CPD: A Gradual Change Point Detection Algorithm
变点检测是当时间序列的分布发生显著变化时,发现时间序列数据中的突变或渐变的问题。有许多复杂的统计算法来解决变点检测问题,虽然没有太多的工作致力于逐步变点相比,突变的。在这里,我们提出了一种新的方法来解决变点检测问题,利用模糊粗糙集理论,它是能够检测这种逐渐变化的点。变点的粗糙模糊估计的表达式推导出与快速计算有关的数学性质。在一个统计假设检验框架下,在允许多个变点检测的原假设下,推导出单个和多个变点上的拟议统计量的渐近分布。已经进行了广泛的模拟研究,以探讨如何简单的粗糙的统计措施的差距,可以提高他们的效率,估计逐渐变点。此外,所述粗模糊估计对信噪比、真变点中的高度模糊性以及超参数值具有鲁棒性。仿真结果表明,该方法优于其他模糊方法,也流行的明确的方法,如WBS,PELT和BOCD在检测渐变点。使用包括Covid-19在内的多个真实数据集证明了估计的适用性。我们已经开发了python软件包“roufcp”,以便更广泛地传播这些方法。
2020-10-10 stat.AP stat.ME
changepointGA: An R package for Fast Changepoint Detection via Genetic Algorithm
提出一个R包changepointGA,利用遗传算法随机搜索时间序列变点,支持单种群和岛屿模型,并行计算加速,比二进制编码GA更快,可同时估计变点位置和效应。
2026-06-23 stat.AP stat.CO
A novel changepoint detection algorithm
本文提出一种新颖的时间序列变点检测算法及序列下一点分布预测框架,经与GLR算法对比,其在宽场景下性能相当或更优,且信噪比越低优势越明显,但本文所用实现存在错误,结果不可靠。
2026-10-27 stat.AP stat.CO
Changepoint analysis of historical battle deaths
有人声称,第二次世界大战之后是“长期和平”,战争空前减少,这一说法也有争议。我们对有据可查的、公开可用的战斗死亡数据集进行了全面的变点分析,使用了新技术,这些新技术能够稳健地检测这种重尾数据的统计特性变化。我们首先测试和校准这些技术。然后,我们展示了变化的存在,独立于数据呈现,在1910年和1950年左右,包括世界大战,以及19世纪30年代和1994年。我们的分析为未来的调查提供了一种方法,并为政治和历史讨论提供了经验基础。
2019-09-05 stat.AP
Changepoint Detection: An Analysis of the Central England Temperature Series
本文介绍了一个统计分析的结构变化,在英格兰中部的温度系列,最长的表面温度记录之一。执行变点分析以检测突然变化,这可以被认为是在进行进一步分析以识别变化的原因(例如,人工、人为或自然变化)。回归模型与结构性突变,包括平均值和趋势变化,拟合的系列和比较,通过两个常用的多个变点惩罚似然标准,平衡模型拟合质量(如测量的可能性)对简约的考虑。我们的变点模型拟合,独立和短记忆误差,也与其他作者以前使用的描述温度序列的持久性功能,称为长记忆模型的不同类别的模型进行了比较。最后,最佳模式被判断为包含一个在20世纪80年代末的变点,过渡到一个加剧变暖的制度。这种时间和变暖的结论在本分析中比较的变点模型中是一致的。该系列的变异性没有发现显着变化,和移位功能被判定为更合理的比无论是短记忆或长记忆自相关。最后提出的模型是一个包括趋势变化(截距和斜率参数)与独立的错误。该分析可作为不同变点技术的入门教程,说明可以从统计学上推断出什么。
2022-06-13 stat.AP stat.OT
A geometric approach in non-parametric Changepoint detection in circular data
本文利用环面内蕴几何提出圆形数据非参数变点检测新方法,推导极限分布并通过模拟和真实数据验证其优于现有检验的功效。
2025-06-27 stat.AP stat.ME
Changepoint Detection As Model Selection: A General Framework
University of Nebraska-Lincoln(内布拉斯加大学林肯分校)
本文提出基于L0模型选择的通用变化点检测框架,通过迭代加权融合Lasso(IRFL)方法提升支持恢复和最小化BIC等准则,适用于季节性模式、线性二次趋势及自回归依赖的复杂数据场景。
2026-03-21 stat.AP stat.ME stat.ML
Tracing the impacts of Mount Pinatubo eruption on regional climate using spatially-varying changepoint detection
提出一种贝叶斯空间变点检测方法,追踪皮纳图博火山喷发对区域气候的影响,定量刻画其空间格局,弥补了全球尺度研究的不足。
2025-08-11 stat.AP stat.ME
Elastic Functional Changepoint Detection of Climate Impacts from Localized Sources
本文提出一种弹性函数变点检测方法,能同时处理振幅和相位变异性,应用于模拟和观测数据,成功检测出皮纳图博火山喷发对平流层温度的影响。
2023-08-10 stat.AP stat.ME stat.OT
Doubly-online changepoint detection for monitoring health status during sports activities
我们提供了一个在线框架,用于分析智能手表在跑步活动中记录的数据。特别是,我们专注于识别由身体状况变化引起的一个或多个测量行为的变化,例如身体不适,长时间停止训练,甚至测量设备故障。我们的框架认为,数据作为一个序列的运行活动所表示的多元时间序列的物理和生物特征数据。我们结合了经典的变点检测模型与高斯状态空间模型的未知数量的组件,以检测一系列活动之间的分布变化。该模型考虑了多个来源的依赖,由于后续活动的连续性,每个活动内的自相关结构,以及不同变量之间的同期依赖。我们提供了一个在线的期望最大化(EM)算法,涉及一个序贯蒙特卡罗(SMC)近似的变化点预测概率。作为我们的模型假设的副产品,我们提出的方法在双在线框架中处理多变量时间序列。虽然经典的变化点模型检测后续活动之间的变化,状态空间框架与在线期望最大化算法提供了额外的好处,估计实时概率,当前活动是一个变化点。
2022-06-23 stat.AP stat.CO stat.ME
Changepoint Detection in the Presence of Outliers
许多识别变点的传统方法在存在离群值或噪声是重尾的情况下可能会遇到困难。他们通常会推断额外的变化点,以拟合离群值。为了克服这个问题,通常需要对数据进行预处理以去除离群值,尽管这对于需要在线分析数据的应用程序来说很困难。我们提出了一种方法,变点检测是强大的离群值的存在。我们的想法是适应现有的惩罚成本的方法来检测变化,使他们使用的损失函数是不敏感的离群值。我们认为,损失函数是有界的,如经典的双权损失,是特别合适的-因为我们表明,只有有界的损失函数是强大的任意极端离群值。我们提出了一个有效的动态规划算法,可以找到我们的惩罚成本标准下的最佳分割。重要的是,该算法可以用于需要在线分析数据的环境中。我们表明,我们可以一致地估计变点的数量,并准确地估计它们的位置,使用双权损失函数。我们证明了我们的方法的应用程序,如分析测井数据,检测拷贝数的变化,并检测篡改的无线设备的有用性。
2017-07-11 stat.AP stat.CO stat.ME
Bayesian Changepoint Estimation for Spatially Indexed Functional Time Series
我们提出了一个贝叶斯分层模型,同时估计基于空间相关的功能时间序列的变化点的均值。与以前的方法,假设在所有空间位置共享的变点或忽略空间相关性,我们的方法将变点作为一个空间过程。这使得我们的模型能够尊重空间异质性,并利用空间相关性来改善估计。我们的方法是来自无处不在的累积和(AUCUM)统计,占主导地位的功能时间序列中的变点检测。然而,而不是直接搜索的最大值的基于的过程,我们建立空间相关的两件线性模型与适当的方差结构,以定位所有的变化点一次。所提出的线性模型方法增加了我们的方法的鲁棒性,以变异性的CRAUM过程中,结合我们的空间相关性模型,提高了边缘附近的变点估计。我们通过广泛的模拟研究表明,我们的方法优于现有的功能变点估计的估计精度和不确定性量化方面,无论是弱和强的空间相关性,弱和强的变化信号。最后,我们使用温度数据集和2019年冠状病毒病(COVID-19)研究来证明我们的方法。
2022-01-08 stat.AP stat.ME
Changepoint Detection in Categorical Time Series with Application to Daily Total Cloud Cover in Canada
University of Louisiana at Lafayette(路易斯安那大学拉斐特分校);Virginia Commonwealth University(弗吉尼亚联邦大学);Climate Research Division, Science and Technology Branch, Environment and Climate Change Canada(加拿大环境与气候变化部科技处气候研究司)
本文提出了一种边际过渡模型,用于检测周期性和序列相关类别时间序列中的单个突变点,通过马尔可夫链捕捉序列依赖性,并利用最大似然估计方法提高计算效率,以检测类别时间序列中的突然变化。
2026-05-20 stat.AP stat.CO stat.ME
Scalable changepoint and anomaly detection in cross-correlated data with an application to condition monitoring
从海底工程中产生的状态监测应用程序的动机,我们得出一种新的,可扩展的方法来检测异常的平均结构的相关多变量时间序列的子集。考虑到需要有效地分析这样的系列,我们探索了一个计算效率的近似的极大似然解决方案所产生的建模框架,并开发了一个新的动态规划算法,用于解决所产生的二进制二次规划时,精度矩阵的时间序列在任何给定的时间点被带状。通过一个全面的模拟研究,我们表明,所得到的方法相比,竞争的方法在异常和变化检测设置,即使当稀疏结构的精度矩阵估计是错误的。我们还证明了它的能力,正确地检测故障的时间周期内的激励应用程序的泵。
2021-03-31 stat.AP stat.CO stat.ME
Adaptive sequential Monte Carlo for multiple changepoint analysis
过程监测和控制需要实时检测数据流中的结构变化。本文介绍了一种有效的序贯蒙特卡罗算法,用于学习连续时间内的未知变点。该方法直观上很简单:通过仅对自最近估计的变点以来观察到的数据进行调节,提出了最新数据窗口的新变点,因为这些变化点携带了有关更新之前过程状态的大部分信息。所提出的方法显示出改进的性能在当前状态的最先进的。所提出的算法的另一个优点是,它可以是自适应的,根据目标变点概率分布的明显的局部复杂性变化的粒子的数量。当变化点分布的变化可忽略时,这节省了宝贵的计算时间,并且当遇到目标分布的显著变化时,使得能够重新平衡实验粒子的重要性权重。该方法的普通版本和自适应版本的说明使用的规范连续时间变点问题的推断强度的非齐次泊松过程。使用强度的共轭和非共轭贝叶斯模型证明了性能。
2015-09-28 stat.AP stat.ME
A computationally efficient, high-dimensional multiple changepoint procedure with application to global terrorism incidence
在具有许多变量的数据集中检测变点是一个越来越重要的数据科学挑战。从全球恐怖主义数据库中检测恐怖主义发生率变化的问题,我们提出了一种新的方法来检测多变量时间序列中的多个变点。我们的方法,我们称之为SUBSET,是一种基于模型的方法,它使用惩罚的可能性来检测各种参数设置的变化。我们提供的理论,指导选择的处罚使用SUBSET,并表明它有很高的权力,以检测变化,无论是只有几个变量或许多变量的变化。实证结果表明,SUBSET优于许多现有的方法来检测高斯数据中的均值变化;此外,与这些替代方法不同,它可以很容易地扩展到非高斯设置,例如适合于对恐怖事件进行建模计数。
2021-03-26 stat.AP stat.ME
Learning Penalty for Changepoint Detection via Automatic Feature Extraction
针对最优划分算法中惩罚参数确定难的问题,提出利用循环网络自动从原始序列提取特征以学习惩罚项的变点检测新方法,在20个基准基因组数据集上准确率优于传统方法。
2026-11-05 cs.LG stat.AP
Empirical Determination of Baseball Eras: Multivariate Changepoint Analysis in Major League Baseball
本文利用多元变点分析方法对跨越一个多世纪的美国职棒大联盟统计数据进行实证分析,识别均值与方差变化,从而更稳健地划分死球时代、融合时代、类固醇时代和后类固醇时代等棒球历史时期,并揭示球队王朝与崩溃的结构性转变。
2024-10-03 stat.AP
Detecting changepoints in globally-indexed functional time series
本文针对球面空间索引的函数型时间序列,提出检测不同位置、不同时间变点的检验统计量,并通过模拟、简化气候模型和再分析数据验证其在识别1991年皮纳图博火山喷发相关平流层温度变化中的有效性。
2023-08-11 stat.AP stat.ME
Inferring Soil Drydown Behaviour with Adaptive Bayesian Online Changepoint Analysis
Lancaster University(兰卡斯特大学);Institute for Land and Water Management Research(土地与水资源管理研究所);Lancaster Environment Centre(兰开夏环境中心)
提出基于BOCPD的粒子滤波和在线梯度两种自适应扩展方法,用于推断土壤雨后变干行为,通过合成数据验证并应用于奥美实地站点,证明其优于静态模型。
2025-09-16 stat.AP stat.CO
Bayesian Deep Count Regression and Anomaly Detection: Evidence from GDELT Event Panels
University of Central Florida(中佛罗里达大学)
本文提出基于贝叶斯计数回归的深度模型,结合负二项和零膨胀负二项分布头,用于预测和检测异常,通过地理统计方法分析事件传播。
2026-03-26 stat.AP stat.CO
Stopping time detection of wood panel compression: A functional time series approach
我们考虑在自动化工艺环境中确定胶合板固化的最佳停止时间。使用近红外光谱技术监控制造过程可确保大幅节省能源和时间。我们收集了一个时间序列的曲线从近红外光谱探头组成的72个光谱,旨在检测一个最佳的停止时间。我们提出了一个估计程序,以确定最佳的停止时间的木材面板压缩和估计的不确定性与估计的停止时间。我们的方法首先将整个数据集分为训练样本和测试样本,然后迭代计算集成平方预测误差的测试样本的基础上。然后,我们应用一个断点的结构性突变检测方法来确定一个估计的最佳停止时间从一个单变量时间序列的综合平方预测误差。我们还研究了有限样本的性能所提出的方法通过一系列的模拟研究。
2022-04-27 stat.AP stat.CO stat.ME